5+ Years Experience in AI | 2+ Years in Software Engineer | AI Engineer | ML Engineer | Data Scientist | AI Trainer & Mentor | AI & LLM Specialist | AWS & Python
Missing value dan outlier adalah dua masalah paling umum di data dunia nyata. Kalau salah penanganan, performa modelmu bisa jauh dari optimal. Pelajari cara yang benar, dengan pendekatan statistik dan bisnis yang digunakan AI Engineer di industri.
Kelas ini cocok untuk kamu yang:
Setelah menyelesaikan kelas ini, kamu akan bisa:
✅ Memahami kapan dan mengapa menggunakan teknik imputasi tertentu
✅ Mengimputasi missing value dengan pendekatan statistik: mean, median, modus, distribusi ekstrem
✅ Mengimputasi missing value dengan pendekatan bisnis: nilai sembarang dan nilai khusus missing
✅ Menangani outlier dengan berbagai metode: trimming, IQR, Gaussian, quantile, dan nilai sembarang
✅ Mengambil keputusan yang tepat berdasarkan karakteristik data dan konteks bisnis
Sesi 5 — Imputasi Missing Value: Pendekatan Statistik
Sesi 6 — Imputasi Missing Value: Pendekatan Bisnis
Sesi 7 — Menghandle Persoalan Outlier
Total: 3 Sesi | 13 Video | ±1,5 Jam Materi
Frequently Asked Question
Kuasai teknik menangani missing value dan outlier menggunakan pendekatan statistik maupun bisnis, skill wajib setiap AI Engineer sebelum membangun model.
Video Pembelajaran
Akses Materi Selamanya!
Grup Diskusi WhatsApp Eksklusif bersama Mentor
Join Komunitas rubythalib.ai
Source Code